RAG (Retrieval-Augmented Generation)
Technique couplant la recherche d'informations dans une base de données avec la génération de texte pour des réponses factuelles.
Le RAG combine un modèle de langage avec un mécanisme de recherche afin de produire des réponses plus ancrées dans des sources. Au lieu de s’appuyer uniquement sur ses paramètres (et donc risquer des hallucinations), le modèle récupère d’abord des passages pertinents, puis les utilise comme contexte pour générer la réponse.
Comment ça fonctionne
- Indexation : vos documents (PDF, pages web, tickets, wiki) sont découpés en “chunks” et stockés, souvent sous forme d’embeddings dans une base vectorielle.
- Retrieval : on recherche les passages pertinents par similarité vectorielle, mots-clés ou une combinaison des deux (recherche hybride). Des filtres peuvent tenir compte de la date, du projet et des droits d’accès ; un reclassement peut ensuite affiner les résultats.
- Generation : le LLM reçoit la question + les extraits trouvés et rédige une réponse, idéalement avec citations.
À quoi ça sert
- Questions/réponses sur une documentation interne à jour.
- Assistants de support client avec des réponses conformes aux procédures.
- Recherche sémantique et synthèse multi-sources.
Points d’attention
La qualité dépend surtout du découpage, de l’index, du ranking et du prompt. Un mauvais retrieval donne une réponse plausible mais fausse. Des garde-fous (citations vérifiées, évaluation des réponses, abstention lorsque les documents ne suffisent pas) sont souvent nécessaires. Les droits d’accès doivent être appliqués avant de transmettre les extraits au modèle. Le RAG n’exige pas de réentraîner le modèle et ne supprime pas toutes les hallucinations.